物理引导的深度学习提升无人机多光谱对草莓冠层叶面积指数和SPAD值的估算

《Scientific Reports》：Physics-guided deep learning improves UAV multispectral estimation of strawberry canopy LAI and SPAD

　　从无人机多光谱影像中准确估计草莓冠层性状对于提高农业生产力具有重要意义，但在温室条件下仍面临诸多挑战，因为光照变化、冠层重叠、阴影遮挡、背景干扰以及结构与生化响应的耦合削弱了纯经验性关系的可靠性。本文提出了一种物理引导的多任务框架DeepRT，用于联合估计叶面积指数（LAI）和由SPAD表示的冠层叶绿素状态。DeepRT将PROSAIL生成的光谱先验信息与来自经校准反射率、植被指数和纹理描述符的模态特异性学习相结合。一个可靠性感知的融合模块自适应地调整各模态的贡献度，而合成监督、隐域对齐和物理可行性正则化器则在有限田间标注的条件下约束学习过程。本研究包含34个按时间顺序排列的无人机飞行任务和310个经过质量控制的采样单元观测。为限制时间泄露，采用了按时间划分的训练-验证-测试集分割、五次重复运行以及时间序列交叉验证。DeepRT在LAI上的R2值为0.92±0.015，在SPAD上的R2值为0.84±0.018，均方根误差（RMSE）分别为0.32±0.018 m2/m2和2.8±0.18 SPAD单位。预测的不确定性与绝对误差呈正相关，Spearman相关系数分别为0.612和0.587。这些结果支持物理引导的异构融合作为温室作物性状检索的可重复方法，同时也指出了需要谨慎解释的依赖光照和高不确定性条件。